共查询到20条相似文献,搜索用时 375 毫秒
1.
2.
针对现阶段冰蓄冷中央空调系统负荷预测的BP(Back Propagation)模型收敛速度慢和容易陷入局部极小点等缺点,结合遗传算法GA(Genetic Algorithm)和BP神经网络,提出了一种GA-BP算法,并在冰蓄冷中央空调负荷预测系统中应用。 相似文献
3.
神经网络和模糊控制在解决复杂的对象方面有独特优势,将模糊理论的知识表达容易和神经网络较强的学习能力这两个优势有机结合起来,用以提高系统的学习能力和表达能力.模糊神经网络(FNN)是近几年的研究热点,但由于采用对神经网络进行训练的BP算法是梯度算法,容易陷入局部极小.本文提出把动态的交叉率、变异率与在传统的遗传算法(GA)中加入动态学习的BP算子结合起来改良传统的遗传算法,即在遗传操作中,利用动态交叉率和变异率来改善全局样本的收敛速度:而在BP运算中加入动态学习率得到最大的优化收敛,不仅发挥了神经网络的泛化的映射能力,采用的遗传算法也极大地提高网络的学习速度和控制性能. 相似文献
4.
基于遗传神经网络的微滤膜通量的预测 总被引:3,自引:0,他引:3
针对BP神经网络在寻优过程中容易陷入局部极小值的缺点,将遗传算法和BP神经网络相结合,构造了一种基于遗传算法的反向传播(GABP)神经网络。网络的训练分为两步:首先利用遗传算法群体寻优策略,采用遗传算法对网络权值和阈值进行全局搜索,保证其落入全局最优点的邻域;然后再用梯度法对网络权值进行细化训练以进一步减小误差,使其收敛于全局最优解或性能很好的近似最优解。网络训练时使用的数据是在不同操作条件 (温度、压力、浓度)下,用标准孔径为0.1 μm 的亲水聚偏氟乙烯微滤膜过滤牛血清白蛋白(BSA)溶液时得到的膜通量实验数据,用训练好的GABP神经网络对微滤膜过滤BSA的膜通量预测研究结果表明,与传统的BP算法相比,GABP神经网络算法改善了网络收敛速度以及膜通量预测的准确度。 相似文献
5.
6.
7.
乙醇偶合制备C4烯烃工艺广泛应用于化工生产,探寻实现乙醇转化率与烯烃收率最大化的催化剂组合与温度条件具有重要意义。根据反应过程性能数据,分别运用多元回归与BP网络建立反应条件与烯烃收率的回归预测模型,结果表明BP网络模型对烯烃收率的预测值有较高的精度。建立多目标优化模型,基于BP网络良好的预测能力,采用NSGA-II算法进一步优化可得满足目标的催化剂与温度方案,此时乙醇转化率与烯烃收率分别为64.67%,35.921%。随后进一步分析比较NSGA-II算法和经典遗传算法分别优化BP网络模型获得的烯烃收率预测误差,验证了所用算法的精确性与有效性。 相似文献
8.
以鼠标壳为实例,利用正交试验数据作为训练样本,以翘曲变形量为目标,经反复训练找出最佳BP网络模型作为注塑工艺参数组合优劣的评价系统。在BP网络模型的基础上,融入禁忌遗传算法作为优化算法(BPTGA算法)对注塑工艺参数组合进行优化,从而找出翘曲变形量最低的参数组合。仿真实验表明,通过BPTGA算法可高效、准确地在指定范围内找出最佳工艺参数组合,从而大大提高产品设计效率和制品质量。 相似文献
9.
10.
针对成品汽油调和配方建模中加氢汽油组分辛烷值难以实时获取,考虑遗传算法(genetic algorithm,GA)、粒子群算法(particle swarm optimization,PSO)优化反向传播(back propagation,BP)网络存在的问题,提出了一种串行混合粒子群遗传算法(serial hybrid PSO-GA,SHPSO-GA)优化BP网络,并用于辛烷值的预测建模。该方法首先将PSO算法的输出依据适应度值分为优劣2个种群,弃劣留优;然后对留优种群再进行GA的交叉变异操作,进一步优化种群,经过每一代PSO和GA的交替优化,并将最优种群用于BP网络参数优化;最后基于该方法和工业历史数据,建立了加氢汽油组分辛烷值的预测模型,仿真结果表明,较传统BP,以及改进的GA-BP、PSO-BP、PSO-GA-BP等方法,SHPSO-GA-BP由于将PSO与GA进行更优的深度融合,具有更好的预测性能,可以用于辛烷值的预测。 相似文献
11.
为了快速、准确的预测柴西北区N21~N22储层伤害程度,在收集岩心分析资料的基础上,建立了预测储层敏感性伤害的神经网络模型。该神经网络模型运用遗传算法和Levenberg-Marquardt算法对BP神经网络的权阈值进行搜索,改进了以往神经网络模型容易陷入局部最优以及收敛速度慢的缺点,有效提高了网络的收敛性和预测的准确率。仿真结果表明:优化后的BP神经网络模型的敏感性伤害程度预测结果与岩心流动实验结果符合率高,同时,优化后的BP神经网络模型比以往的BP网络模型预测速度快、精度高。 相似文献
12.
高拱坝力学性能参数变化规律复杂,使用人工智能算法进行预测已经成为反演参数的重要手段。使用遗传算法对神经网络进行优化来检验优化后算法的性能,并比较不同算法应用于参数反演中预测结果的精度。根据某高拱坝运行期变形监测数据,分别使用RBF神经网络和遗传算法优化的BP(GA-BP)神经网络对不同水位工况下的坝段分区混凝土弹性模量进行反演。基于反演结果进行有限元正分析计算,将所得结果与实测数据进行对比,检验反演精度和效率。结果表明:GA-BP网络的最大预测误差为1.8%,相比于RBF网络预测精度提高了约50%。使用神经网络进行拱坝力学参数反演实用性好,优化后的神经网络比传统BP神经网络在计算精度和效率两方面均有明显改进,且GA-BP神经网络反演比RBF神经网络反演精度更高。 相似文献
13.
14.
《化工自动化及仪表》2015,(11)
通过对BP神经网络的分析,提出一种采用遗传算法(GA)优化的GA-BP神经网络,通过调整其权值和阈值使传感器具有较好的收敛性和稳定性。最终通过实验仿真得出:GA-BP神经网络算法对压力传感器温度补偿具有显著的改善效果,提高了传感器的测量精确度和稳定性。 相似文献
15.
具有遗传算法优化BP神经网络调节的HVDC PID控制器设计 总被引:1,自引:1,他引:0
高压直流输电(HVDC)定电流控制是直流输电系统的控制方式之一,为了使HVDC PID控制器具有较好的自适应性,实现控制器参数自动调整,提出一种具有遗传算法优化BP神经网络调节的HVDC PID控制器。该控制器首先利用遗传算法对BP神经网络的初始权值进行优化,再利用BP神经网络对PID三个参数进行在线调整。仿真研究表明:具有遗传算法优化BP神经网络调节的PID控制器可以保证系统动态响应具有较好的快速性和对系统扰动的自适应性,是可行的。 相似文献
16.
17.
18.
焦炭是催化裂化装置的主要副产物,准确预测催化裂化焦炭产率对提高装置的操作平稳度和经济效益具有重要意义。人工神经网络(ANN)具有强大的自学习和自适应能力,在非线性预测方面具有明显的优势。本研究将遗传算法(GA)与BP神经网络相结合,基于某炼厂催化裂化装置的生产数据,分别从原料、催化剂和操作条件3个方面选取28个关键影响参数建立了催化裂化焦炭产率预测模型,分别将BP神经网络和经遗传算法优化的BP神经网络(GA-BP)的预测结果与工业数据进行对比。结果表明,经遗传算法优化的预测模型无论在预测结果的准确性还是稳定性方面效果更好。最后,本研究还通过考察原料残炭、反应温度等单一关键参数对焦炭产率的影响,进一步证明了经遗传算法优化的BP神经网络预测模型的准确性。 相似文献
19.
针对误差反向传播算法(BP)神经网络在寻优过程中容易陷入局部最优的缺陷,将遗传算法(GA)与BP神经网络相结合,构建了一种基于遗传算法反向传播(GABP)神经网络模型。建模所用网络训练数据是推进剂配方中的工艺助剂及键合剂含量、固化参数、不同粒度的高氯酸铵含量、不同粒度的铝粉含量、端羟基聚丁二烯(HTPB)的羟值等对应的不同温度下测试的抗拉强度和断裂伸长率共12组数据,对它们进行预测和实测。结果表明,预测值与实验值整体具有较好的吻合性,抗拉强度及断裂伸长率的最小误差分别为0.71%、4.67%,即所建模型具有指导配方性能预示的意义。 相似文献